abstrak lfrequently experience flooding. this disease is … · dalam sig adalah penggunaan konsep...

PENENTUAN TINGKAT KERAWANAN PENYEBARAN LEPTOSPIROSIS MENGGUNAKAN INFERENSI FUZZY

55

Oleh : 1 2Ariesta Damayanti , Syamsumin Kurnia Dewi

1) Teknik Informatika, STMIK AKAKOM, Jl. Raya Janti 143 Karang Jambe, Yogyakarta, 55198 2) Akademi Fisioterapi ”YAB” Yogyakarta, Jl. Ring road Selatan, Malangan, Giwangan, Umbulharjo, Yogyakarta

Jurnal Riset Daerah Edisi Khusus Tahun 2015

ABSTRAK

Penentuan Tingkat Kerawanan Penyebaran Leptospirosis Menggunakan Inferensi Fuzzy

eptospirosis cases in Indonesia particularly take place in areas which frequently experience flooding. This disease is reported to have happened L in the Special Region of Yogyakarta ( DIY ) since 2008 . In 2009, eighty cases

of leptospirosis were recorded in the province. Five of them died in Sleman, three in Kulon Progo, and one in Bantul. 2010 data shows that there was an outbreak of leptospirosis in Bantul. Therefore, in order to know the risk factors and to provide the necessary mitigation effrorts, the authorities need data of epidemological cases and geographical locations of each case. In the digital map processing for GIS, researchers often find important objects that cannot be included because of their uncertainty. An area is declared to prone to the spread of leptospirosis disease based on several factors, including the physical environment, economic condition, demography, behavior, and health service. Based on these determinant factors, the male population, precipitation, occupation as a farmer, agricultural land use, and the frequency of leptospirosis occurrence are examples of objects which have uncertainty. The application made for this study is developed and designed based on the architecture of fuzzy inference by applying the Tsukamoto method. The resulting application is the visualization map of the vulnerability spread of the disease leptospirosis based on the determinant factors that also involves uncertainty factors that will be resolved with the Tsukamoto fuzzy inference method. It is used to detect the spread of leptospirosis in the future.

Keywords: fuzzy, inference , vulnerability, leptospirosis, , Tsukamoto

1. Pendahuluan

Leptospirosis merupakan penyakit

zoonosis yang berkembang luas di seluruh

dunia, baik di negara maju maupun

berkembang, dan menyerang lebih dari

160 spesies mamalia. Penyakit ini telah

menyebar di wilayah Asia, Amerika

Selatan dan Tengah serta Amerika Serikat

yang saat ini sering muncul sebagai suatu

kejadian luar biasa (KLB). Keadaan ini

menjadikan penyakit tersebut termasuk

dalam the emerging infectious diseases

(Green-McKenzie dan Shoff, 2010).

Kasus leptospirosis di Indonesia

terutama terjadi di daerah-daerah yang

sering mengalami bencana banjir

(Departemen Kesehatan RI, 2009). Selain

banyak terjadi di DKI Jakarta, leptospirosis

juga terjadi di Provinsi Jawa Barat, Jawa

Tengah, Daerah Istimewa Yogyakarta

(DIY), Lampung, Sumatera Selatan,

Bengkulu, Riau, Sumatera Barat, Sumatera

Utara, Bali, Nusa Tenggara Barat (NTB),

Sulawesi Selatan, Sulawesi Utara,

Kalimantan Timur dan Kalimantan Barat

(Pr iyanto d kk . , 2008) . Data d ar i

Departemen Kesehatan RI (2009)

menyebutkan bahwa selama tahun 2003-

2007 kasus leptospirosis terbanyak terjadi

di DKI Jakarta. Namun, pada tahun 2008

kasus leptospirosis terbanyak terjadi di

Provinsi DIY, khususnya di Kabupaten

Sleman. Pada tahun 2009 kasus

leptospirosis semakin meningkat dan

terjadi di wilayah lainnya di DIY. Tercatat

80 kasus dengan 5 di antaranya meninggal

terjadi di Kabupaten Sleman, 3 kasus di

Kabupaten Kulon Progo, dan 10 kasus

dengan 1 di antaranya meninggal di

Kabupaten Bantul.

Berdasarkan data dari Dinas Kesehatan

Kabupaten Bantul (2009) 10 kasus

tersebut terjadi di Kecamatan Sedayu.

Selain itu juga terdapat 7 suspek

leptospirosis yang tersebar di 6

kecamatan. Pada tahun 2010, dilaporkan

telah terjadi 8 kasus leptospirosis di 6

kecamatan di Kabupaten Bantul.Selama

periode tersebut telah terjadi 2 kasus

meninggal (CFR= 25%) (Dinas Kesehatan

Kabupaten Bantul, 2010). Pada periode

tahun 2010 tersebut telah terjadi kejadian

luar biasa (KLB) leptospirosis di Kabupaten

B a nt u l ( D ew i , 2 0 1 0 ) . M e s k i p u n

kejadiannya saat ini semakin turun,

namun kasus leptospirosis masih terus

bermunculan di Kabupaten Bantul.

Apabila tidak dikendalikan dengan baik,

maka di masa yang akan datang akan

rawan untuk terjadi KLB serupa di

Kabupaten Bantul.

Menurut Departemen Kesehatan RI

(2004), saat terjadi KLB leptospirosis ada

beberapa hal yang harus dilaksanakan di

antaranya, yaitu :

a. Pembuatan laporan mengenai

penyebaran kasus menurut waktu

(minggu), wilayah geografi (RT/RW,

desa, dan kecamatan), umur, dan

faktor lainnya yang diperlukan,

misalnya sekolah, tempat kerja, dan

sebagainya.

b. Penjelasan mengenai peta wilayah

berdasarkan faktor risiko, antara lain :

daerah banj i r, pasar, sanitas i

lingkungan, dan sebagainya.

56



Di samping itu, ada beberapa hal lain

yang harus dipantau dengan ketat pada

s a a t K L B l e p t o s p i ro s i s , ya i t u :

perkembangan jumlah kasus dan

kematian menurut lokasi geografis, serta

perubahan faktor risiko lingkungan.

Pentingnya informasi wilayah geografi

pada saat terjadi KLB leptospirosis

tersebut menuntut adanya suatu sistem

yang dibangun untuk memberikan

informas i yang akurat terhadap

penyebaran kasus tersebut berdasarkan

data atribut dan data spasial yang

mendukung.

Pada pengolahan peta digital seringkali

ditemukan objek-objek penting yang tidak

tepat dalam pengolahannya bahkan tidak

d a p a t d i l i b a t ka n ka re n a fa k t o r

ketidakpastian yang dimiliki oleh obyek

tersebut (Qiuju, 2008 ). Obyek yang

memiliki ketidakpastian berhubungan

dengan data yang tidak dapat dinyatakan

hanya dalam dua kondisi saja, yaitu

kondisi ”ya” atau kondisi ”tidak”, misal

penentuan kerawanan penyebaran

penyakit leptospirosis pada suatu daerah.

Suatu daerah dinyatakan rawan

penyebaran penyakit leptospirosis

ditentukan oleh beberapa faktor,

diantaranya adalah faktor lingkungan fisik

meliputi : keberadaan genangan air, curah

hujan, jarak rumah dengan selokan dan

kondisi selokan yang buruk. Faktor

lingkungan biologi meliputi keberadaan

tikus rumah dan hewan peliharaan. Faktor

lainnya yaitu faktor ekonomi, yaitu

pekerjaan, faktor demografi, faktor

perilaku dan faktor pelayanan kesehatan.

Berdasarkan faktor-faktor penentu

tersebut, keberadaan genangan air, curah

hujan, jarak rumah dengan selokan serta

kondisi selokan yang buruk merupakan

c o n t o h o b y e k y a n g m e m i l i k i

ketidakpastian, yaitu obyek yang tidak

dapat ditentukan secara diskrit tingkat

kuantifikasinya (Kusumadewi, 2003).

Salah satu metode yang dapat

digunakan untuk mengatasi keberadaan

obyek yang memiliki ketidakpastian

dalam SIG adalah penggunaan konsep

sistem inferensi fuzzy, yaitu sebuah sistem

yang mampu meng-inferensi (menarik

kesimpulan) dari sejumlah data yang

memiliki ketidakpastian fuzzy, yaitu data

yang bersifat kabur atau tidak dapat

dinyatakan secara tegas atau pasti.

Dari paparan diatas memberikan

alasan yang sangat kuat perlunya

dilakukan sebuah penelitian untuk

memanfaatkan sistem inferensi fuzzy

metode Tsukamoto sebagai metode untuk

mengatasi adanya nilai ketidakpastian

pada faktor penentu kerawanan

penyebaran penyakit leptospirosis untuk

memberikan informasi kerawanan

penyakit leptospirosis, sehingga dapat

dilakukan suatu analisis kondisi tertentu di

Kabupaten Bantul dengan cepat dan

akurat sebagai langkah deteksi dan

penanggulangan bila terjadi peristiwa

KLB.

2. Rumusan Masalah

Berdasarkan latar belakang seperti

yang telah diuraikan di atas, dapat

dirumuskan suatu masalah: “Bagaimana

membangun sebuah sistem pemetaan

57



y a n g m e l i b a t k a n f a k t o r - f a k t o r

ketidakpastian dengan menggunakan

sistem inferensi fuzzy metode Tsukamoto

untuk memberikan informasi kerawanan

penyakit leptospirosis di Kabupaten

Bantul? Sehingga dapat dilakukan deteksi

penyebaran penyakit leptospirosis di

Kabupaten Bantul untuk meminimalisir

jumlah kasus dan kematian akibat

leptospirosis di masa yang akan datang?”

3. Batasan Masalah

Dalam penelitian yang akan dilakukan,

ditekankan beberapa hal yaitu :

a. Domain dari yang diambil dalam

penelitian ini dibatasi pada kasus

penyakit leptospirosis di Kabupaten

Bantul.

b. Beberapa data non spasial berupa

faktor-faktor penentu kerawanan

penyakit leptospirosis, yaitu jumlah

penduduk berjenis kelamin laki-laki,

curah hujan, pekerjaan sebagai petani,

penggunaan lahan untuk pertanian

dan frekuensi kejadian leptospirosis

dinyatakan sebagai variabel yang

memiliki ketidakpastian (variabel

fuzzy).

c. Metode inferensi fuzzy yang digunakan

adalah metode Tsukamoto.

4. Tinjauan Pustaka dan Teori

Pembangunan aplikasi SIG dalam

bidang kesehatan telah dilakukan,

d i a n t a r a n y a d i g u n a k a n u n t u k

memberikan informasi mengenai

penyebaran wabah penyakit Demam

Berdarah Dengue (DBD) dan malaria di

Kota Bandar Lampung (Falianingrum,

2012), yang memberikan hasil informasi

penyebaran wabah penyakit DBD dan

malaria di Kota Bandar Lampung untuk

setiap tahunnya dengan pengelompokan

pada tiap kelurahan.

Penelitian lain tentang informasi

penyebaran endemisitas penyakit juga

dilakukan pada penyebaran penyakit

Tuberkulosis (Halimy, 2011). Web SIG ini

menyajikan informasi data tentang daerah

endemis tuberkulosis di Kota Depok.

Informasi yang ditampilkan antara lain,

peta penyebaran penyakit tuberkulosis

per kecamatan di Kota Depok, informasi

mengenai penyakit tuberkulosis, dan

informasi sarana kesehatan di wilayah

tersebut. Informasi penyebaran penyakit

tuberkulosis disajikan juga dalam bentuk

tabel dan grafik. Sistem ini dapat

membantu pemantauan terhadap

wilayah yang pernah terkena penyakit

serta memberikan informasi secara

lengkap dan aktual tentang penyebaran

penyakit tersebut.

Penelitian yang telah menggunakan

inferensi fuzzy dalam penanganan faktor-

faktor ketidakpastian untuk memprediksi

kerawanan penyakit telah dilakukan untuk

penanggulangan penyakit DBD (Iswari,

2008). Hasil yang diperoleh pada

penelitian tersebut masih berupa

penyajian peta tematik, belum berupa

aplikasi SIG yang siap digunakan.

Telaah pustaka terhadap penelitian-

penelitian sebelumnya menunjukkan

bahwa belum terdapat penelitian

mengenai penggunaan metode inferensi

fuzzy dalam penanganan faktor-faktor

58



ketidakpastian pada data kerawanan

penyebaran penyakit . Dar i has i l

penggunanan metode inferensi fuzzy

tersebut d ibangun implementasi

pemetaan untuk informasi penyebaran

leptospirosis, serta penggunaannya

sebagai deteksi dini dan penanggulangan

KLB penyakit leptospirosis di Kabupaten

Bantul.

Penelitian sejenis yang dilakukan

untuk menanggulangi KLB DBD hanya

memberikan hasil berupa data peta

tematik penyebaran DBD. Berbeda

dengan penelitian ini yang diharapkan

akan menghasilkan informasi yang akurat

dalam bentuk SIG, dengan melibatkan

faktor-faktor ketidakpastian dalam data

kerawanan penyebaran leptospirosis.

Dengan demikian, diharapkan nantinya

wilayah-wilayah yang belum terkena

penyakit ini dapat meningkatkan

kewaspadaan terhadap kemungkinan

penyebarannya. Keunggulan lainnya

adalah dengan implementasi sistem yang

berbasis web masyarakat dan pihak-pihak

yang terkait akan lebih mudah mengakses

informasi tersebut.

Rangkuman mengenai penelitian lain

yang berhubungan dengan pemetaan dan

atau inferensi fuzzy serta perbedaannya

dengan penelitian ini dapat dilihat pada

Tabel 1.

59


No Nama Peneliti Judul Penelitian Metode Keterangan

1 Anggun Falianingrum, Kurnia Muludi, Anie Rose Irawati

Perancangan WEB-GIS Penyebaran Wabah PenyakitDemam Berdarah Dengue (DBD) dan Malaria di Kota Bandar Lampung (2012)

SIG Menampilkan informasi penyebaran wabah penyakit Demam Berdarah Dengue (DBD) dan Malaria di Kota BandarLampung dengan pengelompokan pada tiap kelurahan.

2 Raihan Islamadina dan Nasaruddin

Aplikasi Web Sistem Informasi Geografis Untuk Multi Risiko Bencana Aceh (2012)

WebSIG Hasilnya adalah visualisasi peta-peta multi risiko bencana alam Aceh yang dapat memberikan informasi daerah rawan bencana kepihak terkait dengan cepat, tepat dan akurat secara online melalui internet.


Tabel 1

Penelitian yang Berhubungan dengan Implementasi SIG dan atau Inferensi Fuzzy

5. Landasan Teori

a. Leptospirosis

Penyakit leptospirosis disebabkan oleh

bakteri Leptospira sp. yang sifatnya dapat

ditularkan secara langsung atau tidak

langsung dari hewan ke manusia atau

disebut zoonosis. Penularan penyakit ini

dari manusia ke manusia sangat jarang

terjadi (WHO, 2003). Penyakit ini

terutama terjadi di daerah tropis dan

subtropis dengan curah hujan tinggi, baik

di daerah pedesaan maupun perkotaan.

Di daerah endemis, puncak kejadian

leptospirosis terutama terjadi pada saat

musim hujan dan banjir (WHO, 2003;

Widarso dkk., 2008 ).

Leptospirosis dapat terjadi sebagai

risiko pekerjaan (occupational hazard)

yang menyerang petani padi dan tebu,

pekerja tambang, dokter hewan,

peternak, peternak sapi perah, pekerja di

rumah pemotongan hewan, nelayan, dan

tentara. KLB dapat terjadi pada orang-

orang yang terpapar langsung dengan

sungai, kanal, dan danau yang airnya

tercemar dengan urin dari binatang

peliharaan dan binatang liar, atau

tercemar urin dari jaringan binatang yang

terinfeksi. Penyakit ini juga merupakan

risiko rekreasi (recreational hazard) bagi

perenang, pendaki gunung, olahragawan,

dan mereka yang berkemah di daerah

infeksi.

Banyak hewan peliharaan atau ternak,

dan hewan liar yang dapat menjadi

reservoir bagi Leptospira sekaligus

bertindak sebagai sumber penularan bagi

manusia, yaitu : tikus besar, babi, sapi, dan

anjing. Hewan lainnya seperti : binatang

pengerat liar, rusa, tupai, rubah, raccoon,

mamalia laut (singa laut) berperan

sebagai karier dalam waktu singkat.

60


No Nama Peneliti Judul Penelitian Metode Keterangan

3 Chandra Halimy Sistem Informasi Geografis Berbasis-Web Penyebaran Penyakit Tuberkulosis Di Kota Depok (2011)

SIG Peta penyebaran penyakit tuberkulosis per kecamatan di Kota Depok, informasi mengenai penyakit tuberkulosis,dan informasi sarana kesehatan. Informasi penyebaran penyakit tuberkulosis disajikan juga dalam bentuk, tabel dan grafik.

4 Lizda Iswari Pemanfaatan Sistem Inferensi Fuzzydalam Pengolahan Peta Tematik(Studi Kasus : Sistem Informasi GeografisDaerah Rawan Penyakit Demam Berdarah)(2008)

Inferensi Fuzzy metode Tsukamoto

Menghasilkan peta tematik penyebaran wabah DFD berdasarkan faktor-faktor ketidakpastian : jumlah curah hujan, jumlah sarana kesehatan, jumlah penduduk, dan frekuensi kejadian demam berdarah.


b. Logika Fuzzy

Logika fuzzy didasarkan pada logika

boolean yang umum digunakan dalam

komputasi. Secara ringkas, teorema fuzzy

memungkinkan komputer “berpikir” tidak

hanya dalam skala hitam-putih (0 dan 1,

mati atau hidup) tetapi juga dalam skala

abu-abu. Dalam logika fuzzy suatu

preposisi dapat direpresentasikan dalam

derajat kebenaran (truthfulness) atau

kesalahan (falsehood) tertentu.

Ungkapan bahasa untuk karakteristik

sistem biasanya dinyatakan dalam bentuk

implikasi logika. Misalnya aturan IF -

THEN. Pendekatan logika fuzzy secara

garis besar diimplementasikan dalam tiga

tahapan yang dapat dilihat atas :

1) Tahap pengaburan (fuzzification) yakni

pemetaan dari masukan tegas ke

himpunan kabur.

2) Tahap inferensi, yakni pembangkitan

aturan kabur.

3) Tahap penegasan (defuzzification),

yakni tranformasi keluaran dari nilai

kabur ke nilai tegas.

c. Fungsi Keanggotaan

Fungsi keanggotaan (membeship

function) adalah suatu kurva yang

menunjukkan pemetaan titik-titik input

data ke dalam nilai keanggotaannya

(sering juga disebut dengan derajat

keanggotaan) yang memiliki interval 0

sampai 1. Salah satu cara yang dapat

digunakan untuk mendapatkan nilai

keanggotaan adalah menggunakan

pendekatan fungsi (Kusumumadewi dan

Purnomo, 2010).

Fungsi keanggotaan Segitiga

Fungsi keanggotaan yang mempunyai

parameter a,b,c dengan formulasi segitiga

(x;a,b,c) = max{min{(x –a)/(b-a),(c-x)/(c-

b)},0}.

Fungsi keanggotaan Trapesium

Fungsi keanggotaan yang mempunyai

parameter a,b,c,d dengan formulasi

Trapesium (x;a,b,c,d) = max{min{(x-a)/(b-

a),1,(d-x)/(d-c)},0}

Fungsi keanggotaan Kurva Bahu

Daerah yang terletak di tengah-tengah

suatu variabel yang direpresentasikan

dalam bentuk segitiga, pada sisi kanan

dan kirinya akan naik dan turun.

Himpunan fuzzy 'bahu', bukan segitiga,

digunakan untuk mengakhiri variabel

suatu daerah fuzzy. Bahu kiri bergerak dari

61



Gambar 1. Fungsi Keanggotaan Segitiga

(Kusumumadewi dan Purnomo, 2010)

Gambar 2.Fungsi Keanggotaan Trapesium


benar ke salah, demikian juga bahu kanan

bergerak dari salah ke benar.

d. Variabel Linguistik

Variabel linguistik adalah variabel yang

bernilai kata/kalimat, bukan angka.

Variabel linguistik ini merupakan konsep

pent ing dalam logika samar dan

memegang peranan penting dalam

beberapa aplikasi. Jika “kecepatan” adalah

variabel linguistik, maka nilai linguistik

untuk variabel kecepatan adalah, misalnya

“lambat”, “sedang ”, “cepat”.Dalam

variabel linguistik ini dikarakteristikkan

dengan:

(X, T(x), U, G, M)

Dimana:

X = nama variabel (variabel linguistik)

T(x) atau T = semesta pembicaraan untuk x

atau disebut juga nilai linguistik dari

x

U = jangkauan dari setiap samar untuk x

yang berhubungan dengan variabel

dasar yaitu U

G = Aturan sintaksis untuk memberikan

nama (x) pada setiap nilai x

M = a t u r a n s e m a n t i k y a n g

menghubungkan setiap x dengan

artinya.

e. Himpunan Fuzzy

Untuk mempresentasikan himpunan

fuzzy dalam komputer perlu didefinisikan

fungsi keanggotaannya. Sebagai contoh

orang tinggi dapat dinyatakan pada setiap

individu pada tingkatan mana bahwa

seseorang yakin seseorang itu dikatakan

tinggi. Setelah mengumpulkan jawaban

untuk interval tinggi badan dapat disajikan

tingkat rata-rata untuk menghasilkan suatu

himpunan fuzzy dari orang-orang tinggi.

Fungsi ini dapat digunakan sebagai

suatu keyakinan (nilai keanggotaan) bagi

individu yang menjadi anggota himpunan

fuzzy dari orang tinggi. Pemilihan ini dapat

dilanjutkan untuk menghitung gambaran

ukuran tinggi yang lain seperti pendek dan

sedang. Dalam peragaan ini dapat

d i p e ro l e h h i m p u n a n f u z z y ya n g

menggambarkan pendapat paling popular

dari kebanyakan orang untuk setiap

klasifikasi.

Ket i ka d i d ef i n i s i ka n p e r ka l i a n

himpunan fuzzy pada semesta pem-

bicaraan yang sama, literatur sering

menunjuk pada himpunan fuzzy sebagai

fuzzy subset. Dengan membentuk fuzzy ini

untuk berbagai bentuk fuzzy dapat

dianggap nilai keanggotaan dari objek yang

diberikan pada setiap himpunan.

f. Fuzzifikasi

Fuzzifikasi adalah fase pertama dari

perhitungan fuzzy yaitu pengubahan nilai

tegas ke nilai fuzzy. Proses fuzzyfikasi

dituliskan sebagai berikut :

x = fuzzifier (x )0

62



Gambar 3. Fungsi Keanggotaan Kurva Bahu


dengan x adalah sebuah vektor nilai 0

tegas dari suatu variabel masukan, x

adalah vektor himpunan fuzzy yang

didefinisikan sebagai variabel dan fuzzifier

adalah sebuah operator fuzzifikasi yang

mengubah nilai tegas ke himpunan fuzzy.

g. Defuzzifikasi ( Defuzzification )

Defuzzifikasi merupakan transformasi

yang menyatakan kembali keluaran dari

domain fuzzy ke dalam domain crisp.

Keluaran fuzzy diperoleh melalui eksekusi

dari beberapa fungsi keanggotaan fuzzy.

Terdapat tujuh metode yang dapat

digunakan pada proses defuzzifikasi (Ross,

1995) yaitu : 1) Height method (Max-

m e m b e r s h i p p r i n c i p l e ) , d e n ga n

mengambil nilai fungsi keanggotaan

terbesar dari keluaran fuzzy yang ada

untuk dijadikan sebagai nilai defuzzifikasi,

2) Centroid (Center of Gravity) method,

mengambil nilai tengah dari seluruh

fungsi keanggotaan keluaran fuzzy yang

ada untuk dijadikan nilai defuzzifikasi, 3)

Weighted Average Method, hanya dapat

d i g u n a ka n j i ka ke l u a ra n f u n g s i

keanggotaan dari beberapa proses fuzzy

mempunyai bentuk yang sama, 4) Mean-

max membership, mempunyai prinsip

kerja yang sama dengan metode

maximum tetapi lokasi dari fungsi

keanggotaan maksimum tidak harus unik,

5) Center of sums, mempunyai prinsip

kerja yang hampir sama dengan Weighted

Average Method tetapi nilai yang

dihasilkan merupakan area respektif dari

fungsi keanggotaan yang ada, 6) Center of

largest area, hanya digunakan jika

keluaran fuzzy mempunyai sedikitnya dua

sub-daerah yang convex sehingga sub-

daerah yang digunakan sebagai nilai

defuzzifikasi adalah daerah yang terluas,

7) First (or last) of maxima, menggunakan

seluruh keluaran dari fungsi keanggotaan.

h. Aturan IF - THEN

Dari data dan penjelasan parameter-

p a r a m e t e r f u n g s i ke a n g g o t a a n

sebagaimana diatas, kemudian dapat

dibuat aturan IF – THEN. Basis aturan

dibentuk dalam 2 bagian yaitu bagian

parameter block yang digunakan

menyimpan nilai-nilai parameter dari

suatu aturan dan bagian lainnya adalah

rules block yang digunakan menyimpan

aturan itu sendiri. Jumlah aturan IF – THEN

yang dihasilkan merupakan perkalian ?

kemungkinan gejala-gejalanya (premis),

yang kemudian dikurangi jumlah aturan

yang dapat direduksi.

i. Sistem Inferensi Fuzzy

S i s te m i n fe re n s i f u z zy d a p at

dinyatakan sebagai sebuah sistem yang

mampu meng- inferensi (menarik

kesimpulan) dari sejumlah data yang

memiliki ketidakpastian. Dalam sistem

inferensi fuzzy ada beberapa komponen

utama yang dibutuhkan. Komponen

tersebut meliputi data : variabel fuzzy,

himpunan fuzzy, dan aturan. Untuk

mengolah data masukan dibutuhkan

beberapa fungsi meliputi fungsi fuzzifikasi

yang terbagi 2, yaitu fungsi untuk untuk

menentukan derajat keanggotaan suatu

himpunan (berupa angka antara 0 sampai

1) dan fungsi penggunaan operator.

63



Fungsi fuzzifikasi akan mengubah nilai

crisp (nilai aktual) menjadi nilai fuzzy (nilai

kabur). Selain itu, dibutuhkan pula fungsi

defuzzif ikasi , yaitu fungsi untuk

memetakan kembali nilai fuzzy menjadi

nilai crisp yang menjadi output atau solusi

permasalahan (Iswari, 2006). Ciri utama

dari metode Tsukamoto terletak pada nilai

konsekuen tiap aturan berbentuk IF-THEN

harus direpresentasikan dengan suatu

h i m p u n a n f u z z y d e n ga n f u n g s i

keanggotaan yang monoton. Output hasil

inferensi dari tiap-tiap aturan diberikan

secara tegas (crisp) berdasarkan nilai a-

predikat. Hasil akhirnya diperoleh dengan

menggunakan rata-rata terbobot

(Kusumadewi, 2003).

j. Metode Tsukamoto

Pada metode Tsukamoto, setiap

konsekuen pada aturan yang berbentuk

IF-THEN harus direpresentasikan dengan

suatu himpunan fuzzy dengan fungsi

keanggotaan yang monoton. Sebagai

hasilnya, output hasil inferensi dari tiap-

tiap aturan diberikan secara tegas (crisp)

berdasarkan -predikat (fire strength).

Hasi l akhirnya diperoleh dengan

menggunakan rata-rata terbobot.

Misalkan ada variabel masukan, yaitu x

dan y, serta satu variabel keluaran yaitu z.

Variabel x terbagi atas 2 himpunan yaitu

A1 dan A2, variabel y terbagi atas 2

himpunan juga, yaitu B1 dan B2,

sedangkan variabel keluaran Z terbagi atas

2 himpunan yaitu C1 dan C2. Tentu saja

himpunan C1 dan C2 harus merupakan

himpunan yang bersifat monoton.

Diberikan 2 aturan sebagai berikut:

IF x is A1 and y is B2 THEN z is C1

IF x is A2 and y is B1 THEN z is C2

6. Metode Penelitian

a. Bahan Penelitian

Bahan yang dibutuhkan untuk

melakukan penelitian ini adalah datayang

diperoleh dari Dinas Kesehatan (Dinkes)

dan Badan Perencanaan Pembangunan

Daerah (Bappeda) Kabupaten Bantul.

Data yang diambil adalah data pada tahun

2011 pada 17 kecamatan di Kabupaten

Bantul berupa data jumlah penduduk

berjenis kelamin laki-laki, penduduk

dengan pekerjaan sebagai petani, curah

hujan dan kejadian leptospirosis. Data

yang diambil tersebut akan digunakan

sebagai data masukan untuk penelitian

dengan menggunakan sistem inferensi

fuzzy Tsukamoto.

b. Alat Penelitian

Alat penelitian yang digunakan dalam

proses penelitian ini antara lain sebagai

berikut:

1) Perangkat keras (hardware) adalah

peralatan dalam komputer yang secara

fisik dapat dilihat. Dalam sistem

komputer, perangkat keras dapat

dibagi dalam empat bagian, yaitu unit

masukan, unit keluaran, unit pengolah

d a n u n i t p e ny i m p a n a n . Pa d a

pembangunan sistem ini, spesifikasi

minimum perangkat keras yang

digunakan adalah: seperangkat

notebook dengan spesifikasi prosesor

Intel(R) Core i3, RAM 1GB, Harddisk

250 GB.

64



2) Perangkat lunak dalam sistem

komputer merupakan serangkaian

perintah dengan aturan tertentu yang

mengatur operasi perangkat keras.

Perangkat lunak terdiri atas tiga

bagian, yaitu sistem operasi, bahasa

pemrograman dan program aplikasi

yang merupakan faktor penunjang dari

sistem komputer.

Perangkat lunak yang digunakan untuk

membangun sistem ini adalah:

a) Windows 7

Sistem operasi yang digunakan dalam

pengimplementasian perangkat lunak

yang dibangun

b) ArcView GIS 3.3

Untuk pengolahan dan digitisasi peta.

c) Map Server 3.0.6

Untuk menampilkan data spasial (peta)

di web.Digunakan untuk mengembang

kan aplikasi SIG berbasis web.

d) PHP 5.4

S e b a ga i S c r i p t E n g i n e u n t u k

m e n e r j e m a h k a n b a h a s a

pemrograman PHP pada sistem

operasi windows XP.

e) MySQL 5.5.32

Sebagai media basis data untuk

penyimpanan data.

f) Mozilla Firefox

Browser yang digunakan untuk

melakukan tes terhadap website.

c. Jalan Penelitian

Proses pembuatan penelitian dapat

diterangkan pada penjelasan sebagai

berikut:

Prosedur Penelitian

Prosedur penelitian ditunjukkan

seperti pada Gambar 4.

Berikut merupakan penjelasan pro-

sedur penelitian yang telah digambarkan

pada Gambar 4.

1) Himpunan masukan fuzzy terdiri dari

jumlah penduduk laki-laki, jumlah

penduduk dengan pekerjaan petani,

jumlah curah hujan, kejadian

leptospirosis.

2) Data tersebut merupakan data crisp

yang kemudian dilanjutkan dengan

proses fuzzifikasi. Proses fuzzifikasi

bertugas mengubah data crisp dari

m a s u ka n m e n j a d i d ata f u z zy

berdasarkan himpunan fuzzy yang

telah ditetapkan.

3) Setelah pembentukan data fuzzy,

kemudian dilanjutkan proses inferensi

f u z z y d e n g a n m e t o d e f u z z y

Tsukamoto, dimana terlebih dahulu

digunakan basis aturan (Rule Base)

65



Gambar 4. Prosedur Penelitian

yang berisi aturan IF -THEN. Dalam

aturan tersebut terdapat himpunan

masukan fuzzy dan himpunan

keluaran fuzzy yang membangun rule-

rule tersebut.

4) Keluaran yang dihasilkan dari proses

fuzzy yang telah dilakukan adalah nilai

kerawanan penyebaran penyakit

leptospirosis dengan kategori rawan

dan tidak rawan. Kategori ini yang

d i g u n a k a n s e b a g a i d a s a r

pembentukan peta tematik untuk

penyebaran penyakit leptospirosis ini.

5) Model proses yang digunakan dalam

pembangunan perangkat lunak ini

adalah model sekuensial linier atau

disebut juga dengan model air terjun

(Pressman, 2002). Model sekuensial

linier meliputi aktivitas pada Gambar

5 berikut :

Gambar 5. Model Sekuensial linier

(Pressman, 2002).

a) Analisis

Tahap ini merupakan tahapan

menganalisa hal-hal yang diperlukan

dalam pelaksanaan pembuatan

perangkat lunak.

b) Desain

Tahap penerjemahan dari data yang

dianalisis ke dalam bentuk yang

mudah dimengerti oleh pengguna.

c) Coding

Tahap penerjemah data atau peme

cahan masalah yang telah dirancang

ke dalam bahasa pemrograman

tertentu.

d) Testing

Merupakan tahapan pengujian terha

dap perangkat lunak yang dibuat.

Variabel Masukan dan Himpunan Fuzzy

Variabel fuzzy menggunakan fungsi

keanggotaan trapes ium sebagai

pendekatan untuk memperoleh derajat

keanggotaan suatu nilai dalam suatu

himpunan fuzzy. Fungsi keanggotaan

adalah suatu kurva yang menunjukkan

pemetaan titik-titik input data ke dalam

nilai keanggotaan yang memiliki nilai

interval antara 0 dan 1.

Salah satu cara yang dapat digunakan

untuk mendapatkan nilai keanggotaan

adalah dengan melalui pendekatan

fungsi. Salah satu representasi fungsi

keanggotaan dalam fuzzy yang akan

dipakai adalah representasi bahu kanan

dan bahu kiri. Adapun variabel dan

himpunan masukan fuzzy dapat dilihat

pada Tabel 2. Himpunan masukan fuzzy

terdiri atas sedikit, banyak, rendah dan

tinggi. Variabel fuzzy terdiri atas 4 yaitu

jumlah penduduk laki-laki, jumlah

penduduk dengan pekerjaan petani,

jumlah curah hujan, dan kejadian

leptospirosis.

Variabel Masukan Jumlah Penduduk

Laki-laki

Variabel jumlah penduduk laki-laki

dibagi dalam 2 kategori yaitu sedikit

[10000 60000], banyak [14000 65000].

Dari pembagian kategori ini nantinya

dapat diketahui fungsi keanggotaannya

pada setiap himpunan fuzzy sedikit dan

banyak.

66



Representasi bahu kanan dan bahu kiri

untuk variabel jumlah penduduk laki-laki

seperti digambarkan pada Gambar 6.

Variabel Masukan Jumlah Penduduk

dengan Pekerjaan Petani

Variabel jumlah penduduk dengan

pekerjaan petani ini dibagi 2 kategori yaitu

sedikit [3000 9000], banyak [3500 10000].

Dari pembagian kategori ini nantinya dapat

diketahui fungsi keanggotaannya pada

setiap himpunan fuzzy sedikit dan banyak.


untuk variabel jumlah penduduk dengan

pekerjaan petani seperti digambarkan

pada Gambar 7.

67


No Variabel fuzzyHimpunan fuzzy

Sedikit Banyak

1 Jumlah penduduk laki-laki [10000 60000] [14000 65000]

2 Jumlah penduduk dengan pekerjaan petani

[3000 9000] [3500 10000]

Rendah Tinggi

3 Jumlah curah hujan [1000 3500] [1500 4000]

4 Kejadian leptospirosis [1 25] [ 5 30]


Tabel 2. Variabel Masukan dan Himpunan Fuzzy

Gambar 6. Representasi Bahu Kanan Kiri Jumlah Penduduk Laki-laki

Gambar 7. Representasi Bahu Kanan Kiri Jumlah Penduduk dengan Pekerjaan Petani

Variabel Masukan Jumlah Curah Hujan

Variabel jumlah curah hujan dibagi

dalam 2 kategori yaitu rendah [1000

3500], tinggi [1500 4000]. Dari pembagian

kategori ini nantinya dapat diketahui fungsi

keanggotaannya pada setiap himpunan

fuzzy rendah dan tinggi.


untuk variabel curah hujan seperti

digambarkan pada Gambar 8.

Variabel Masukan Kejadian Leptospirosis

Variabel kejadian leptospirosis dibagi

menjadi 2 kategori yaitu rendah [1 25],

tinggi [5 30]. Dari pembagian kategori ini

nant inya dapat d iketahu i fungs i




untuk variabel curah hujan seperti


Variabel Keluaran Tingkat Kerawanan

Variabel tingkat kerawanan dibagi

menjadi 2 kategori yaitu rendah [0 0.6],

tinggi [0.551]. Dari pembagian kategori ini

nant inya dapat d iketahu i fungs i




untuk variabel tingkat kerawanan seperti


68



Gambar 4.5 Representasi Bahu Kanan Kiri Curah Hujan

Gambar 9. Representasi Bahu Kanan Kiri Kejadian Leptospirosis

Gambar 10. Representasi Bahu Kanan Kiri Tingkat Kerawanan

Rule

Basis pengetahuan dalam perancangan

sistem ini sangatlah diperlukan yang berisi

aturan-aturan atau rules yang berguna

dalam penentuan keputusan sebagai hasil

keluaran sistem. Perancangan aturan-

aturan ini merupakan langkah setelah

pembentukan himpunan fuzzy. Basis

pengetahuan menyimpan pengetahuan

yang terdiri dari dua elemen dasar.

Meskipun seringnya fakta dan aturan

dalam basis pengetahuan memiliki nilai

kebenaran yang tegas (crisp), namun ada

kalanya representasi seperti ini tidaklah

dapat mencerminkan pengetahuan secara

baik.

Elemen dasar pertama adalah fakta,

yang dalam hal ini merupakan situasi,

kondisi, dan kenyataan dari permasalahan,

serta juga teori dalam bidang yang

berkaitan serta informasi dari objek.

Sedangkan yang kedua adalah spesial

heuristik yang merupakan informasi

mengenai cara untuk membangkitkan

fakta baru dari fakta yang sudah diketahui.

Dalam sistem berbasis-aturan (rule-based

system), elemen kedua ini berupa kaidah

atau aturan (rule). Aturan-aturan dalam

perancangan sistem dapat di lihat di Tabel

3.

69



R1 IF Jumlah penduduk laki SEDIKIT and curah hujan TINGGI and pekerja petani SEDIKIT and kejadian lepto TINGGI

THEN status kerawanan TINGGI

R2 IF Jumlah penduduk laki BANYAK and curah hujan TINGGI and pekerja petani BANYAK and kejadian lepto TINGGI


R3 IF Jumlah penduduk laki SEDIKIT and curah hujan RENDAH and pekerja petani SEDIKIT and kejadian lepto RENDAH

THEN status kerawanan RENDAH

R4 IF Jumlah penduduk laki BANYAK and curah hujan RENDAH and pekerja petani BANYAK and kejadian lepto RENDAH


R5 IF Jumlah penduduk laki SEDIKIT and curah hujan TINGGI and pekerja petani SEDIKIT and kejadian lepto TINGGI


R6 IF Jumlah penduduk laki BANYAK and curah hujan TINGGI and pekerja petani BANYAK and kejadian lepto RENDAH


R7 IF Jumlah penduduk laki SEDIKIT and curah hujan TINGGI and pekerja petani BANYAK and kejadian lepto RENDAH


R8 IF Jumlah penduduk laki BANYAK and curah hujan RENDAH and pekerja petani SEDIKIT and kejadian lepto TINGGI


Tabel 3.Aturan-aturan yang digunakan pada perhitungan fuzzy

a. Desain Antarmuka Sistem

Perancangan antarmuka (user interface)

merupakan hal yang sangat pentingdalam

pembuatan program aplikasikomputer.

Perancangan antarmukapengguna (user

interface) digunakansebagai media

komunikasi antarapengguna dengan

aplikasi.

b. Pembuatan Peta Digital

Sete lah proses pengolahan data

menggunakan sistem fuzzy dengan

metode Tsukamoto, proses selanjutnya

adalah pengolahan peta tematik

menggunakan ArcView GIS 3.3 dan Map

Server 3.0.6. Adapun proses pengolahan

data dalam pembuatan peta tematik

adalah :

a) Georeferencing

Georeferencing merupakan suatu pro

ses memasukkan koordinat kedalam peta

hasil scan agar peta tersebut memiliki

unsur georeference (geografis). Untuk

hasil yang terbaik dapat dilakukan

ground check (cek lapangan) dengan

mengambil titik koordinat batas alam,

misalnya sungai.

b) Digitasi dan Editing

Digitasi dan editing peta merupakan

suatu proses konversi data analog

kedalam format digital seperti data

jalan, batas kecamatan dan data sungai

yang bersifat baku.

c) Layout Peta

Layout peta merupakan proses akhir

dalam pembuatan peta yang akan

menampilkan isi peta secara keseluruh-

an yang akan dibuat. Layout peta dibuat

setelah melakukan prosesgeoreferen-

cing, digitasi dan editing peta, sehingga

akan dihasilkan tampilan peta sesuai

yang diinginkan.

Pada tahapan ini, sedang dilakukan

pembuatan perancangan antar muka

untuk pengolahan inferensi fuzzy dan

tahap layout peta untuk peta digital.

8. Hasil dan Pembahasan

Berikut ini adalah hasil yang telah

dicapai dari pengolahan data masukan dan

keluaran pada 17 Kecamatan di Kabupaten

Bantul. Hasil penelitian yang diperoleh

menunjukkan tingkat kerawanan yang

diperoleh pada beberapa data terdapat

hasil yang nilainya tidak sama dengan data

kejadian penyakit leptospirosis yang

terjadi di tiap kecamatan. Banyak dijumpai

bahwa kecamatan dengan tingkat kejadian

tinggi ternyata memiliki tingkat kerawanan

rendah, maupun sebaliknya.

Hal ini terjadi disebabkan beberapa

faktor diantaranya adalah pada penelitian

ini terdapat empat (4) faktor yang

mempengaruhi penyebaran leptospirosis

n a m u n f a k t o r - f a k t o r l a i n t i d a k

dipertimbangkan seperti saluran air yang

kotor, penanganan yang salah terhadap

luka di tubuh dan adanya sarana kesehatan

yang sudah memadai dalam penanganan

penyakit leptospirosis di tiap kecamatan.

Jika dinyatakan batas tingkat kera-

wanan untuk output z pada tingkat

kerawanan rendah adalah nilai 1 hingga 5,

dan tingkat kerawanan tinggi adalah nilai 6

hingga 10, maka dapat dinyatakan tingkat

kerawanan untuk 17 kecamatan setelah

dilakukan pengolahan dengan sistem

inferensi fuzzy Tsukamoto seperti terlihat

pada tabel 3.

70



71



Tabel 3.

Hasil keluaran tingkat kerawanan berdasarkan inferensi fuzzyTsukamoto

Hasil pembuatan peta tematik daerah rawan leptospirosis

ditunjukkan pada gambar 4.

Gambar 4. Tampilan Awal Peta Daerah Rawan Leptospirosis

Untuk menunjukkan daerah rawan

leptospirosis, diberikan warna hijau untuk

daerah dengan tingkat kerawanan rendah,

dan warna merah untuk daerah dengan

tingkat kerawanan tinggi. Pada peta

seperti ditunjukkan pada gambar 5

tersebut ditunjukkan daerah dengan

warna merah yang memiliki tingkat

kerawanan tinggi meliputi kecamatan

Sedayu, Kasihan, Pajangan, dan Bantul.

Sedangkan sisanya memiliki tingkat

kerawanan rendah.

9. Kesimpulan

a. Metode inferensi fuzzy Tsukamoto

dapat digunakan untuk menyelesaikan

faktor-faktor ketidakpastian untuk

p e n e nt u a n t i n g kat ke rawa n a n

penyebaran penyakit.

b. Hasil dari inferensi fuzzy yang

digunakan sebagai dasar pemberian

warna pada pemetaan kerawanan

penyebaran penyakit leptospirosis

untuk tiap kecamatan

c. Terdapat 4 kecamatan dengan tingkat

kerawanan tinggi yaitu Sedayu,

Kasihan, Pajangan, dan Bantul.

Untuk dapat memberikan hasil

penelitian berikutnya lebih maksimal

beberapa hal perlu dilakukan antara lain:

a. Menggunakan lebih banyak faktor

penentu kerawanan leptospirosis.

b. Menggunakan aturan sistem inferensi

fuzzy dan metode yang lain untuk

m e n g a k o m o d a s i b e r b a g a i

kemungkinan kondisi variabel fuzzy.

c. Menerapkan konsep penelitian ini

untuk hasus-kasus lainnya.

72



Gambar 5. Peta Sebaran Daerah Rawan Leptospirosis

Ariesta, D., 2013, Peta Kerawanan Penyebaran Leptospirosis Menggunakan Inferensi Fuzzy Untuk Deteksi Kejadian Luar Biasa (KLB) Leptospirosis Di Kabupaten Bantul, belum dipublikasikan.

Dinas Kesehatan Kabupaten Bantul, 2010, Data Surveilans Penyakit Leptospirosis di Kabupaten Bantul Tahun 2010, Bidang Penanggulangan Masalah Kesehatan, Dinas Kesehatan Kabupaten Bantul, Yogyakarta.

Edi, P., 2004, Belajar dan Memahami Mapinfo, Informatika, Bandung.

Lizda,I., 2008, Pemanfaatan Sistem Inferensi Fuzzy Dalam Pengolahan Peta Tematik (Studi Kasus : Sistem Informasi Geografis Daerah Rawan Penyakit Demam Berdarah), Prosiding Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008), ISSN: 1907-5022, Juni 2008 : E77-E82.

Sri, K., 2003, Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta

Syamsumin, K.D., 2010, Investigasi Kejadian Luar Biasa Leptospirosis di Kabupaten Bantul Tahun 2010, Magister Epidemiologi Lapangan-Ilmu Kesehatan Masyarakat Fakultas Kedokteran Universitas Gadjah Mada, Yogyakarta.

WHO (2003) Human Leptospirosis: guidelines for diagnose, surveillance,and control,availablefrom:http://whqlibdoc.who.int/hq/2003/WHO_CDS_CSR_EPH_2002.23.pdf] [Accessed on February 24th 2013].

Widarso H.S., Gasem M.H., Purba W., Suharto T., Ganefa S., (2008) Pedoman Diagnosa dan Penatalaksanaan Kasus Penanggulangan Leptospirosis di Indonesia, Cetakan II, Sub Direktorat Zoonosis Direktorat Jendral Pengendalian Penyakit dan Penyehatan Lingkungan, Departemen Kesehatan RI, Jakarta.

Zhang, Qiuju, Animated representatation of uncertainty and fuzziness in spatial planning maps athttp://www.itc.nl/library/Academic_output/Academicoutput.aspx?p=9&y=8&l=20.

DAFTAR PUSTAKA

73



74


1 Nama Lengkap (dengan gelar) Ariesta Damayanti, S.Kom, M.Cs.

2 Jenis Kelamin L/P

3 Jabatan Fungsional Asisten Ahli

4 NIP/NIK/Identitas lainnya 197804202005012001

5 NIDN 0020047801

6 Tempat, Tanggal Lahir Banjarmasin, 20 April 1978

7 Alamat E-mail

Tulung, RT 01 RW 01 Tamanmartani, Kalasan, [email protected]

8 Nomor Telepon/HP 081328100724

9 Alamat Kantor STMIK AKAKOM YogyakartaJl.Raya Janti 143, Karangjambe, Yogyakarta 55198

10 Nomor Telepon/Faks 0274486664/fax: 0274486438

11 Lulusan yang Telah Dihasilkan D-3 = 30 orang

12.Mata Kuliah yang Diampu

1.Pengenalan Teknologi Informasi

2.Kecerdasan Buatan

3. Metode Numerik

4.Statistika

5.Sistem Berkas

6.Jaringan Syaraf Tiruan

7.Sistem Operasi

8.Konsep Sistem Informasi


CURRICULUM VITAE

A. Identitas Diri

75


No. Tahun Judul PenelitianPendanaan

Sumber* Jml (Juta Rp)

1 2014 Pemanfaatan Sistem Inferensi Fuzzy Mamdani untuk Pemetaan Daerah Potensi Tujuan Wisata di Kabupaten Bantul

Penelitian Dosen Pemula DIKTI

11.5

2 2013 Peta Kerawanan Penyebaran Leptospirosis Menggunakan Inferensi Fuzzy Untuk Deteksi Kejadian Luar Biasa (KLB) Leptospirosis Di Kabupaten Bantul


11.5

3 2012 Identifikasi Dan Peringatan Dini Daerah Rawan ISPA Pada Balita (Studi Kasus Di Kabupaten Bantul)


8

4 2011 Aplikasi Fuzzy-Analytical Hierarchy Process dalam Pemilihan Dosen Teladan.

Puslitbang & PPM STMIK AKAKOM

3

5 2010 Penerapan Algoritma Genetik untuk Menyelesaikan Resource Constraint Project Schedulling

Puslitbang & PPM STMIK AKAKOM

3


S-1 S-2 S-3

Nama Perguruan Tinggi STMIK AKAKOM Universitas Gadjah Mada

Bidang Ilmu Teknik Informatika Magister Ilmu Komputer

Tahun Masuk-Lulus 1997-2002 2009 – 2015

Judul Skripsi/Tesis/Disertasi Transformasi Titik Tetap dengan Metode Euler untuk Menyelesaikan Persamaan Non Linier Tunggal secara Numerik

Metode ANFIS dan Algoritma Genetika untuk Deteksi Penyimpangan Tumbuh Kembang Balita

Nama Pembimbing/Promotor Dr. Talib Hashim Prof.Dra. Sri Hartati, M.Sc., P.hD.

B. Riwayat Pendidikan

C. Pengalaman Penelitian Dalam 5 Tahun Terakhir (Bukan Skripsi, Tesis, maupun Disertasi)


No. Tahun Judul Pengabdian Kepada MasyarakatPendanaan

Sumber* Jml (Juta Rp)

1 2015 IbM Home Industri Pengolahan JaheDesa Tegaltirto Kecamatan BerbahKabupaten Sleman

DIKTI 44.5

2 2013 IbW Kecamatan Banguntapan Kabupaten BantulDaerah Istimewa Yogyakarta

DIKTI 100

3 2012 Pelatihan Microsoft Office dan Internet untuk Bidan di Lingkungan Dinas Kesehatan Kabupaten Bantul

Puslitbang dan PPM STMIK AKAKOM

0.5

4 2011 Pelatihan Internet Tingkat Dasar dan Menengah bagi UMKM se-Propinsi DIY

Puslitbang dan PPM STMIK AKAKOM

0.5

5 2010 Pelatihan MS Office dan Internet bagi Pamong PAUD di Kabupaten Sleman

PAUD Kabupaten Sleman

0.5

6 2009 Pelatihan Manajemen Kearsipan bagi Pegawai Medco Oil

Fresh Management

2

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

No. Judul Artikel Ilmiah Nama Jurnal Volume/Nomor/Tahun

1 Penyelesaian Model Transportasi Bikriteria dengan Algoritma Genetik

FORMAT ISSN 1410-9158

Volume 10, nomor 1, Januari 2009, halaman 29

2 Sistem Pendukung Keputusan Pemilihan Dosen Favorit Berbasis Web

FORMAT ISSN 1410-9158

Volume 9 nomor 3, September 2008, halaman 34

E. Publikasi Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir

76



77


No.Nama Pertemuan Ilmiah

/ SeminarJudul Artikel Ilmiah Waktu dan Tempat

1 Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi (TIK) untuk Indonesia

Pemanfaatan Sistem Inferensi Fuzzy Mamdani untuk Pemetaan Daerah Potensi Tujuan Wisata di Kabupaten Bantul

24-25 Juni 2014, Institut Teknologi Bandung

2 Seminar Nasional Teknik Elektro Politeknik Negeri Jakarta

Pemetaan Daerah Rawan Penyebaran Leptospirosis Menggunakan Inferensi Fuzzy(Studi Kasus Di Kabupaten Bantul)

5 Desember 2013, Poltek Negeri Jakarta

3 Konferensi Nasional Sistem Informasi

Identifikasi Dan Peringatan Dini Daerah Rawan ISPA Pada Balita (Studi Kasus Di Kabupaten Bantul)

14-15 Februari 2013 di STMIKBumigora Mataram

4 Seminar Nasional Riset Teknologi Informasi -SRITI 2011

Aplikasi Fuzzy-Analytical Hierarchy Process dalam Pemilihan Dosen Teladan

Agustus 2011 , STMIK AKAKOM Yogyakarta

5 Seminar Nasional Riset Teknologi Informasi -SRITI 2010

Penerapan Algoritma Genetik untuk Menyelesaikan Resource Constraint Project Schedulling

Juli 2010, STMIK AKAKOM Yogyakarta

F. Publikasi Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir

abstrak lfrequently experience flooding. this disease is … · dalam sig adalah penggunaan konsep...

Documents